Longtemps réservée aux initiés et aux serveurs de recherche, l'intelligence artificielle locale vient de franchir un cap symbolique. Le 9 juillet 2026, Ollama, l'outil open-source qui permet de faire tourner des grands modèles de langage directement sur votre machine, a annoncé une levée de fonds de 65 millions de dollars en Série B, menée par Theory Ventures. Avec ce tour de table, la société fondée par Jeffrey Morgan et Michael Chiang porte son financement total à 88 millions de dollars, et compte désormais près de 9 millions de développeurs actifs chaque mois à travers le monde. ## Comment Ollama est-il devenu la référence pour faire tourner un LLM sans le cloud ? Pour comprendre la portée de ce financement, il faut revenir aux origines d'Ollama et à la vision de ses fondateurs. Jeffrey Morgan et Michael Chiang ne sont pas des inconnus dans l'écosystème des outils pour développeurs : en 2013, ils avaient co-fondé Kitematic, une interface graphique qui avait rendu Docker accessible au grand public, rachetée par Docker Inc. en 2015 pour devenir Docker Desktop. Avec Ollama, leur démarche est identique : prendre quelque chose de puissant mais difficile d'accès, et le rendre utilisable par n'importe qui en une seule commande. Avant Ollama, déployer un LLM en local imposait de gérer des environnements Python complexes, des pilotes GPU propriétaires, des fichiers de configuration obscurs, un parcours réservé aux développeurs expérimentés. Depuis 2023, Ollama réduit tout cela à une commande unique, et le résultat est sans appel : 176 000 étoiles sur GitHub, plus de 67 000 intégrations communautaires, et une présence confirmée dans 85 % des entreprises du Fortune 500, pour une équipe de seulement 14 personnes. ## Quels modèles open-source peut-on faire tourner localement, et à quel coût réel ? La bibliothèque de modèles disponibles sur Ollama couvre aujourd'hui l'essentiel des grands noms de l'open-source, et elle s'enrichit chaque semaine. De Llama 4 de Meta à Mistral Large 3, en passant par Qwen 3.5, DeepSeek V4 ou Google Gemma 3, des milliers de modèles s'installent en quelques minutes selon votre débit internet. La comparaison avec les API cloud est particulièrement parlante pour les professionnels qui gèrent de gros volumes de données : une fois le modèle téléchargé, le coût par token est nul, contre 0,06 à 0,30 dollar par million de tokens pour les équivalents via API. Le nouveau niveau Neocloud lancé en parallèle du financement propose une option cloud à des tarifs compétitifs (de 0 à 100 dollars par mois selon l'usage GPU) pour les équipes qui veulent scaler sans gérer leur propre infrastructure. L'essentiel reste gratuit : l'outil desktop open-source ne changera pas, promesse explicitement réaffirmée par les fondateurs lors de l'annonce. | Modèle | Paramètres | RAM minimale | Coût API cloud estimé | Coût via Ollama | |---|---|---|---|---| | Llama 4 Scout | 8B | 6 Go | ~0,06 $/M tokens | Gratuit | | Mistral Large 3 | 32B | 22 Go | ~0,20 $/M tokens | Gratuit | | Qwen 3.5 | 30B | 20 Go | ~0,15 $/M tokens | Gratuit | | DeepSeek V4 | 72B | 48 Go | ~0,30 $/M tokens | Gratuit | | Google Gemma 3 | 27B | 18 Go | ~0,10 $/M tokens | Gratuit | ## Pourquoi les entreprises et les professionnels basculent vers l'IA locale en 2026 ? L'attrait de l'IA locale dépasse largement la simple économie de tokens, et c'est ce qui explique sa pénétration dans 85 % des grandes entreprises mondiales. La confidentialité des données est le premier argument décisif : quand un LLM tourne sur votre machine ou votre serveur interne, aucune donnée ne quitte votre périmètre de sécurité, ce qui répond directement aux exigences du RGPD européen et aux contraintes des secteurs réglementés comme la santé, le droit et la finance. Le deuxième avantage est la stabilité comportementale : vous contrôlez exactement quelle version du modèle vous utilisez, sans risque qu'une mise à jour silencieuse de votre fournisseur cloud modifie les réponses de votre agent IA en production. La latence constitue le troisième argument pour les développeurs qui construisent des agents autonomes : un modèle 8B quantifié sur un Mac M4 Pro répond en moins de 200 millisecondes, contre 500 ms à 2 secondes pour une API distante sous charge. Ces trois avantages, confidentialité, stabilité et latence, transforment l'IA locale en levier de productivité pour les professionnels qui automatisent leurs processus métier, et la formation [Automatiser ses workflows et créer des agents IA](https://www.travelearn.fr/formation/automatiser-ses-workflows-et-crer-des-agents-ia) de TraveLearn intègre Ollama dans ses scénarios d'agents locaux pour apprendre à chaîner des LLM open-source sans exposer les données de l'entreprise. > "Ce que Jeff et Michael ont construit avec Docker est utilisé par plus de 10 millions de développeurs chaque jour. La capacité à créer un produit qui atteint l'ubiquité chez les développeurs est extrêmement rare." > > Peter Fenton, Benchmark --- **Sources** - [Popular open source AI developer tool Ollama raises $65M, grows to nearly 9M users](https://techcrunch.com/2026/07/09/popular-open-source-ai-developer-tool-ollama-raises-65m-grows-to-nearly-9m-users/) - [Ollama: all aboard open models](https://ollama.com/blog/all-aboard-open-models) - [Ollama raises $65M as its open-model runner hits nearly 9M developers](https://thenextweb.com/news/ollama-65m-series-b-theory-ventures-open-models)